【技术实现步骤摘要】
本专利技术涉及矿井水害防治，具体涉及一种矿井涌水量预测方法及系统。
技术介绍
1、矿井涌水是矿井开采过程中面临的重要安全隐患之一，其准确及时的预测对于矿井水害防治至关重要。矿井涌水量的变化不仅受到地质条件、开采方式、降雨量等多种因素的影响，而且具有显著的时间序列特征。因此，如何有效捕捉并利用这些时序性特征进行矿井涌水预测，一直是该领域的研究热点。
2、传统的矿井涌水预测方法主要包括确定性分析方法（如水平衡法、解析法等）和非确定性分析方法（如水文地质比拟法、回归分析法等）。确定性分析方法通常基于物理定律和已知条件进行精确计算，但受限于地质条件的复杂性和数据获取的难度，其预测精度会受到一定影响。非确定性分析方法则更多地依赖于统计规律和经验数据，虽然能够处理一定的不确定性，但在捕捉时序性特征方面存在不足。
3、近年来，随着人工智能技术的快速发展，深度学习方法因其强大的特征表示能力在复杂问题求解中展现出巨大潜力，并逐渐被应用于矿井涌水预测领域。深度学习方法能够反映矿井涌水量的变化趋势和规律，但仍存在一些局限性。
4、由于训练集（源域）和测试集（目标域）之间可能存在特征域的差异，深度学习模型在目标域上的性能往往受到限制，不仅影响了模型的预测精度，还限制了模型在不同地质条件、不同开采方式下的广泛应用。
技术实现思路
1、本专利技术的目的在于：提出一种矿井涌水量预测方法及系统，该技术方案能够提高矿井涌水量预测的精准度。
2、为实现上述目的，第一方面
3、在深度学习模型的输出层前添加全连接层，并对全连接层进行微调；
4、在全连接层和输出层之间添加域适应层，使用多个核函数组合成多核最大平均差异，评估源域和目标域之间的域分布差异；多核最大平均差异的经验估计值公式表示为：
5、
6、其中，表示特征映射函数，是关于的特征映射；和分布表示源域和目标域中的样本，和分别表示源域和目标域中的样本数量，定义为个核的凸组合，表示再生核希尔伯特空间；是最大平均差异的第个内核，是内核的权重，所有内核的权重加起来为1；
7、以最小化域分布差异为目标，在损失函数中引入域损失项对域适应层进行训练，得到矿井涌水量预测模型。
8、基础方案的有益效果：利用深度学习模型的特征学习能力，对预处理后的样本数据进行特征提取，能够自动学习并提取出与矿井涌水量预测相关的关键特征，更准确地反映矿井涌水量的变化趋势和规律。
9、在深度学习模型的输出层前添加全连接层，并对全连接层进行微调，优化模型性能，使模型更好地适应矿井涌水量预测任务。通过微调全连接层，优化模型参数，使其更准确地拟合矿井涌水量的数据分布，提高预测的精度和稳定性。
10、在全连接层和输出层之间添加域适应层，并使用多个核函数组合成多核最大平均差异（mk-mmd），可以评估源域和目标域之间的域分布差异，以最小化域分布差异为目标，在损失函数中引入域损失项对域适应层进行训练，能够缓解域分布差异导致的性能受限问题，并能使模型更好地适应不同数据分布下的矿井涌水量预测任务。
11、通过域适应层的训练，模型能够更好地处理源域和目标域之间的差异，减少因数据分布变化而导致的预测误差，有助于增强模型的鲁棒性，提高其在复杂环境下的预测性能。
12、本技术方案可以广泛应用于矿井涌水预测、洪水预警等时间序列相关的领域。通过实时采集和分析矿井涌水相关数据，利用本专利技术方法进行预测和分析，可以为矿井水害防治提供科学依据和决策支持。同时，该方法也可以为其他领域的时序预测问题提供借鉴和参考。
13、作为一种可实施的优选方案，样本数据包括预报因子，所述预报因子通过多渠道获取，将所述预报因子变量标准化到[0，1]区间，使用如下公式：
14、
15、其中，表示对第个变量进行归一化的值，和分别表示训练集中该变量的最小值和最大值。
16、作为一种可实施的优选方案，使用深度学习模型对预处理后的样本数据进行特征提取，包括以下内容：
17、模型输出层的前k层为特征提取部分，用于提取数据的深层特征；深度学习模型的权重和偏置参数通过反向传播算法进行优化。
18、作为一种可实施的优选方案，在深度学习模型的输出层前添加全连接层，并对全连接层进行微调，包括：
19、对深度学习模型进行预训练，使用源域数据集进行迭代训练，使第一损失函数达到最小；第一损失函数的表达式为：
20、
21、其中，为源域数据集，为预测值，为真实值，表示样本数量，对源域数据进行迭代训练，使第一损失函数达到最小。
22、作为一种可实施的优选方案，在深度学习模型的输出层前添加全连接层，并对全连接层进行微调，还包括：
23、冻结深度学习模型的特征提取部分；在深度学习模型的输出层前添加一个全连接层作为bp微调层；使用源域数据集对bp微调层进行训练。
24、作为一种可实施的优选方案，在全连接层和输出层之间添加域适应层，具体表述如下：
25、
26、其中，表示数据集上域自适应层的输出；是源域数据集（）的特征表示形式；是目标域集（）的特征表示。
27、作为一种可实施的优选方案，在损失函数中引入域损失项后得到第二损失函数，公式如下：
28、
29、其中，表示预测损失，为实际值，是预测值；表示源域和目标域之间的分布差异，为超参数，超参数用于控制域损失项在总损失函数中的权重。
30、作为一种可实施的优选方案，对域适应层进行训练，包括以下内容：
31、冻结微调后的深度学习模型的特征提取部分和全连接层，使用第二损失函数作为训练损失函数，对域适应层进行训练，最小化第二损失函数。
32、第二方面，本公开实施例还提供一种矿井涌水量预测系统，其特征在于，该系统运用了上述的一种矿井涌水量预测方法。
本文档来自技高网...【技术保护点】
1.一种矿井涌水量预测方法，其特征在于：包括：
2.根据权利要求1所述的一种矿井涌水量预测方法，其特征在于：样本数据包括预报因子，所述预报因子通过多渠道获取，将所述预报因子变量标准化到[0，1]区间，使用如下公式：
3.根据权利要求1所述的一种矿井涌水量预测方法，其特征在于：使用深度学习模型对预处理后的样本数据进行特征提取，包括以下内容：
4.根据权利要求3所述的一种矿井涌水量预测方法，其特征在于：在深度学习模型的输出层前添加全连接层，并对全连接层进行微调，包括：
5.根据权利要求4所述的一种矿井涌水量预测方法，其特征在于：在深度学习模型的输出层前添加全连接层，并对全连接层进行微调，还包括：
6.根据权利要求5所述的一种矿井涌水量预测方法，其特征在于：在全连接层和输出层之间添加域适应层，具体表述如下：
7.根据权利要求1所述的一种矿井涌水量预测方法，其特征在于：在损失函数中引入域损失项后得到第二损失函数，公式如下：
8.根据权利要求7所述的一种矿井涌水量预测方法，其特征在于：对域适应层进行训练，包
9.根据权利要求8所述的一种矿井涌水量预测方法，其特征在于：还包括：使用得到的矿井涌水量预测模型对目标域的数据进行预测，并评估模型的性能，使用均方误差准则和确定性系数作为评价指标，公式定义如下：
10.一种矿井涌水量预测系统，其特征在于，该系统运用了如权利要求1-9所述的一种矿井涌水量预测方法。
...【技术特征摘要】
1.一种矿井涌水量预测方法，其特征在于：包括：
2.根据权利要求1所述的一种矿井涌水量预测方法，其特征在于：样本数据包括预报因子，所述预报因子通过多渠道获取，将所述预报因子变量标准化到[0，1]区间，使用如下公式：
3.根据权利要求1所述的一种矿井涌水量预测方法，其特征在于：使用深度学习模型对预处理后的样本数据进行特征提取，包括以下内容：
4.根据权利要求3所述的一种矿井涌水量预测方法，其特征在于：在深度学习模型的输出层前添加全连接层，并对全连接层进行微调，包括：
5.根据权利要求4所述的一种矿井涌水量预测方法，其特征在于：在深度学习模型的输出层前添加全连接层，并对全连接层进行微调，还包括：
6....
【专利技术属性】
技术研发人员：刘艳，李慧洲，胡腾飞，冉霞，李臣，张磊，颜恭彬，袁永榜，何鑫，唐昊，单礼岩，雷凯丽，
申请(专利权)人：中煤科工集团武汉设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。